N Découverte n Présentation des équipes et des projets n 3- Extraction des caractéristiques u 3.1 Caractéristiques 3D et 2D u 3.2 Arêtes u 3.3 Gradient.

Présentation au sujet: "N Découverte n Présentation des équipes et des projets n 3- Extraction des caractéristiques u 3.1 Caractéristiques 3D et 2D u 3.2 Arêtes u 3.3 Gradient."— Transcription de la présentation:

1 n Découverte n Présentation des équipes et des projets n 3- Extraction des caractéristiques u 3.1 Caractéristiques 3D et 2D u 3.2 Arêtes u 3.3 Gradient et arêtes orientées F Gradient - moyenneur F Amincissement des arêtes F Canny-Deriche F Arêtes orientées Cours 7 3-Extraction des caractéristiques

2 Cours #7 - 2 SYS-844 Hiver 2005 Forum

3 Cours #7 - 3 SYS-844 Hiver 2005 Découverte n Haralick & Shapiro, Computer and Robot Vision, Volume 1 et 2, Addison-Wesley,1992 et 1993. u Traitement complet de la vision par ordinateur u Approche mathématique u Texture u Appendice vol. 1: ellipse u Knowledge-based vision

4 Chapitre 3 Extraction des primitives Lextraction des primitives est le premier traitement réalisé sur limage filtrée et conditionnée. Nous allons dabord nous intéresser aux arêtes, ces variations brusques de léclairement lumineux. Puis, nous nous intéresserons aux regroupements de ces arêtes à plus grande échelle, pour former des lignes, des contours, des courbes, etc.

5 Cours #7 - 5 SYS-844 Hiver 2005 3.1 Caractéristiques 3D et 2D Ce qui permet de différencier un objet 3D: u Contour (forme du contour) u Changement dorientation de surface u Marques sur la surface (texture) En résumé, les discontinuités Du processus de formation des images:

6 Cours #7 - 6 SYS-844 Hiver 2005 n Sortes de discontinuités

7 Cours #7 - 7 SYS-844 Hiver 2005 3.2 Arêtes n Attributs 3D arêtes 2D u Orientation de surface u Variation de profondeur u Ombrage u Réflectance de surface n Bruit de mesure arêtes 2D

8 Cours #7 - 8 SYS-844 Hiver 2005 n Limitations de la détection des arêtes u Les arêtes 2D nindiquent pas le type dattribut 3D u Certaines caractéristiques 3D perceptuelles ne sont pas traduites en arêtes

9 Cours #7 - 9 SYS-844 Hiver 2005 n Objectifs de la détection darêtes u Extraction des arêtes significatives u Regroupement en lignes, courbes et contours

10 Cours #7 - 10 SYS-844 Hiver 2005 n Catégories darêtes u Échelon u Rampe u Barre u Crête u Point (eg spot lumineux)

11 Cours #7 - 11 SYS-844 Hiver 2005

12 Détection darêtes dans le bruit

13 Cours #7 - 13 SYS-844 Hiver 2005 n Algorithme général dextraction des primitives u Calcul des variations déclairement u Détection des arêtes (seuillage) u Amincissement u Regroupement

14 Cours #7 - 14 SYS-844 Hiver 2005

15 Cours #7 - 15 SYS-844 Hiver 2005 n Calcul des variations déclairement u Gradient (dérivée première) u Passage par zéro (dérivée seconde)

16 Cours #7 - 16 SYS-844 Hiver 2005 3.3 Méthodes basées sur le gradient

17 Cours #7 - 17 SYS-844 Hiver 2005 n 3.3.1 Gradient dune image

18 Cours #7 - 18 SYS-844 Hiver 2005 Interprétation géométrique du gradient

19 Cours #7 - 19 SYS-844 Hiver 2005 n 3.3.2 Masques 1x2 1 1

20 Cours #7 - 20 SYS-844 Hiver 2005 u Formation de x et y

21 Cours #7 - 21 SYS-844 Hiver 2005 u Approximation de lamplitude du gradient

22 Cours #7 - 22 SYS-844 Hiver 2005 F dérivation accentue le bruit

23 Cours #7 - 23 SYS-844 Hiver 2005 F Combinaison différentiation - filtre moyenneur

24 Cours #7 - 24 SYS-844 Hiver 2005

25 Cours #7 - 25 SYS-844 Hiver 2005

26 Cours #7 - 26 SYS-844 Hiver 2005 n 3.3.3 Masque moyenneur-différentiateur u Masques de base: F Sobel F Prewitt

27 Cours #7 - 27 SYS-844 Hiver 2005 u Quelques masques supplémentaires

28 Cours #7 - 28 SYS-844 Hiver 2005 u Effets de la grosseur des zones de moyennage F Utilisation de deux masques orthogonaux

29 Cours #7 - 29 SYS-844 Hiver 2005 F Effets de laugmentation de la zone de moyennage

30 Cours #7 - 30 SYS-844 Hiver 2005 F Pondération uniforme, non- uniforme et sans pondération

31 Cours #7 - 31 SYS-844 Hiver 2005 F Effets sur les coins Masque de 11x11 avec pondération uniforme

32 Cours #7 - 32 SYS-844 Hiver 2005 Détection darêtes masque de 11x11

33 Cours #7 - 33 SYS-844 Hiver 2005 F Vecteurs gradients: arrondissement du coin

34 Cours #7 - 34 SYS-844 Hiver 2005 F Effets sur une image plus complexe

35 Cours #7 - 35 SYS-844 Hiver 2005 Masque de 7x7

36 Cours #7 - 36 SYS-844 Hiver 2005 F Résumé: effets de la largeur de masque

37 Cours #7 - 37 SYS-844 Hiver 2005 u Grandeur optimale: 3x3 F Moyennage le long de larête et différentiation à travers larête F Si larête est orientée différemment de 0 o ou 90 o, celle-ci sera filtrée, doù une amplitude plus petite du gradient F Solution: masque de Sobel orienté selon plusieurs directions Filtrage raisonnable Détection symétrique

38 Cours #7 - 38 SYS-844 Hiver 2005

39 Cours #7 - 39 SYS-844 Hiver 2005 n 3.3.4 Détecteur de Canny u Principedétection optimale darêtes bruitées u Critères F Bonne détection Minimiser prob. de faux positifs Minimiser prob. de ne pas détecter une vraie arête F Bonne localisation F Contrainte de réponse unique Minimiser le nombre de maxima locaux autour de la vraie arête u Opérateur optimal Filtre RIF complexe, approximé par: dérivée première de gaussienne

40 Cours #7 - 40 SYS-844 Hiver 2005 u Algorithme F Filtrer limage par une gaussienne F Dérivée première de limage filtrée F Amplitude et direction du gradient F Maximum local dans la direction du gradient Algorithme: amincissement des arêtes F Seuillage avec hystérésis

41 Cours #7 - 41 SYS-844 Hiver 2005 n Variante Canny-Deriche u Filtre optimal de Canny: F Forme complexe, approximée par une dérivée de gaussienne (20% de perte de performance) F RIF de largeur 2M largeur varie en fct de la fréq. coupure u Filtre optimal de Deriche F Filtre récursif RII Largeur fixe Forme 1D Forme 2D, séparable F Performances supérieures F Valeurs typiques:

42 Cours #7 - 42 SYS-844 Hiver 2005 Amincissement des arêtes n Principe: Opérateur large réponse multiple

43 Cours #7 - 43 SYS-844 Hiver 2005 Analyse locale pour supprimer les arêtes redondantes

44 Cours #7 - 44 SYS-844 Hiver 2005 n Analyse locale Modèle en toit de larête Appariement avec le modèle en toit: rejet des 2 arêtes enlignées (évite la compétition) rejet des orientations différentes (possibilité de jonction) rejet des directions (signe) différentes (pas modèle en toit)

45 Cours #7 - 45 SYS-844 Hiver 2005 n Algorithme u 1- Fenêtre de sélection: ne sont pas considérés: F 1 arêtes alignées F 2 arêtes dorientation différente F 3 arêtes de même orientation mais de direction (signe) opposée u 2- Suppression des non-maximaux u 3- Seuillage (en option) 1 1 2 3 3

46 Cours #7 - 46 SYS-844 Hiver 2005 u exemple

47 Cours #7 - 47 SYS-844 Hiver 2005 n 3.3.5 Détection darêtes orientées u Principe:Détection darêtes selon plusieurs directions Sortie maximale: détecteur i indique lorientation et lamplitude de larête u Opérateur: NO O SOSSE E NEN

48 Cours #7 - 48 SYS-844 Hiver 2005 u Masques F Sobel

49 Cours #7 - 49 SYS-844 Hiver 2005

50 Cours #7 - 50 SYS-844 Hiver 2005

51 Cours #7 - 51 SYS-844 Hiver 2005 F Prewitt 1 et 2 F Kirsch F Frei & Chen

52 Cours #7 - 52 SYS-844 Hiver 2005 F Nevatia-Babu